studbooks.net Open in urlscan Pro
5.45.75.95  Public Scan

Form analysis
0 forms found in the DOM

Text Content

Главная Авторизация/Регистрация

 



Агропромышленность Банковское дело БЖД Бухучет и аудит География
Документоведение Естествознание Журналистика Инвестирование Информатика История
Культурология Литература Логика Логистика Маркетинг Математика, химия, физика
Медицина Менеджмент Недвижимость Педагогика Политология Политэкономия Право
Психология Региональная экономика Религиоведение Риторика Социология Статистика
Страховое дело Техника Товароведение Туризм Философия Финансы Экология Экономика
Этика и эстетика Прочее



Главная Информатика Распознавание образов с помощью неординарного алгоритма и
программной реализации, осуществляющей функционирование новой разделенной
структуры искусственной нейронной сети





< Пред   СОДЕРЖАНИЕ   Скачать   След >


БЛОК СХЕМА НЕЙРОННОЙ СЕТИ



Блок-схема является вариантом формализованной записи алгоритма или процесса.
Каждый шаг алгоритма в данном представлении изображается в виде блоков различной
формы, которые соединены между собой линиями. В блок-схеме можно отобразить все
этапы решения любой задачи, начиная с ввода исходных данных, обработки
операторами, выполнения цикличных и условных функций, и заканчивая операциями
вывода результирующих значений.

Фактически задача заключается в том, что на основе введенных конфигураций в
выборке для каждого символа выявить их характерные признаки и распознать класс
представленного на опознавание символа. Задача распадается на следующие шаги:

1. Загрузка выборки векторов из выборки данных;

2. Введение произвольного набора данных для последующей кластеризации;

3. Считывание введенных данных для распознавания из выборки в программу;

4. Преобразование данных из двоичного представления в табличный массив 0 и 1;



5. Подсчет конгруэнтной промежуточной нейронной матрицы;

6. Подсчет диверсивной промежуточной нейронной матрицы;

7. Подсчет пассивной промежуточной нейронной матрицы;

8. Подсчет итоговой симбиозной нейронной матрицы, основанной на характеристиках
матриц слоев;

9. Выявление характеристик симбиозных матриц и вычисление итоговых значений на
выходах;

10. Выявление наибольшего значения из выходов симбиозных матриц, определение его
кода и ассоциирование с поступившим на вход классом;

11. Корректировка сумматорной матрицы (без учителя) в случае высокой
погрешности;

12. Переход к шагу 2, пока величина погрешности не будет удовлетворяющей.

Блок схема соответствующего алгоритма будет иметь следующий вид:

Искусственная самоорганизующаяся нейро-матричная сеть (ИСНМС), построена по
следующей схеме (рис. 3.5): на вход нейронной сети подаетсявыборка данных, вход
можно представить, как матрицу рецепторов, а выборка может быть представлена в
виде последовательности 0 и 1, где 0 - незакрашенные ячейки, а 1 - закрашенные
ячейки. Информация из матрицы рецепторов подается, и трансформируются на второй
уровень - класс нейронных матриц представителей и критериев оценок для каждого
класса базы данных, после этого подсчитываются промежуточные веса и применяются
критерии отбора элементов, которые также прописаны в матричном виде - третий
уровень.



Рис. 3.5 Условный граф матричной нейронной самоорганизующейся сети

Следующим этапом является взвешивание полученных результатов с помощью
вычисления целевой функции каждой матричной схемы, учитывая различные критерии.
После вычисления всех весов на последнем этапе просматриваются полученные
результаты, и наивысшему значению будет соответствовать наиболее приближенный
класс. В созданной схеме используется самоорганизация сети, т.е. после
определения класса происходит перенастройка весов различных матриц критериев в
цикле, таким образом, схема не является статической, а является динамически
подстраиваемой и эффективно сходящейся.

На основе построенной принципиально новой искусственной нейронной схемы с
независимыми нейронами и применения вероятностно-статистических анализов были
получены высокие результаты распознавания. Данный граф показывает структурную
схему построенной искусственной самоорганизующейся нейронной сети (ИСНС) для
кластеризации данных.



Ниже приводится более детализированная блок-схема нейронной сети.

Рис. 3.6. Блок схема работы нейронной сети

Алгоритм обучения сети Кохонена выглядит следующим образом:

1. Инициировать матрицу весов малыми случайными значениями (на отрезке [-1,1]).

2. Построить очередь из элементов входного множества, расположив их в случайном
порядке, пометить их все как необработанные.

3. Выбрать первый необработанный элемент x из очереди.

4. Для каждого выхода j вычислить расстояние dj (1) между его вектором весов wj
и входным вектором x:

x) (3.3)

5. Найти номер выходного нейрона jm с минимальным расстоянием dj:

(3.4)

6. Вычислить изменение весов ДW = {Дwu} для всех нейронов u выходного слоя:

(3.5)

где c - номер (пара индексов) нейрона победителя jm в двумерной решетке второго
слоя;

и - номер (пара индексов) нейрона с вектором весов wu в двумерной решетке
второго слоя;

wи - вектор весовых коэффициентов связи входного слоя и выходного нейрона номер
и;

x - текущий вектор входов сети;

h(и,c,t) - значение функции окрестности для нейрона номер u в момент времени t;

з - коэффициент скорости обучения;

7. Скорректировать матрицу весов:

W:=W -?W (3.6)

8. Пометить элемент входной очереди x как обработанный если в очереди остаются
не обработанные точки, то переход на п.3, если критерий остановки обучения не
достигнут то переход на п.2

9. Конец.

В качестве критериев останова процесса обучения можно использовать следующие:

- Количество полных циклов обучения ограничено константой, например количество
циклов равно количеству элементов во входном множестве.

- Выход сети стабилизируется, т.е. входные вектора не переходят между
кластерными элементами.

- Изменения весов становятся незначительными.



 


< Пред   СОДЕРЖАНИЕ   Скачать   След >





© Студенческая библиотека онлайн (inf{aт}studbooks.net) © 2013 - 2023



open chat